Βελτίωση της ενεργειακής απόδοσης κτηρίων με χρήση τεχνικών διαρκούς μάθησης και επεξηγήσιμης τεχνητής νοημοσύνης

Ρεμπή, Παναγιώτα; Rempi, Panagiota

dc.contributor.author	Ρεμπή, Παναγιώτα	el
dc.contributor.author	Rempi, Panagiota	en
dc.date.accessioned	2025-03-06T08:34:26Z
dc.date.available	2025-03-06T08:34:26Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61210
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28906
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ενεργειακή απόδοση	el
dc.subject	Ενεργειακή αναβάθμιση κτηρίων	el
dc.subject	Επεξηγήσιμη τεχνητή νοημοσύνη	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Παραγωγή δεδομένων	el
dc.subject	Διαρκής μάθηση	el
dc.subject	Διερευνητική ανάλυση δεδομένων	el
dc.subject	Energy efficiency	en
dc.subject	Building energy retrofitting	en
dc.subject	Explainable artificial intelligence	en
dc.subject	Machine learning	en
dc.subject	Deep learning	en
dc.subject	Data generation	en
dc.subject	Lifelong learning	en
dc.subject	Exploratory data analysis	en
dc.title	Βελτίωση της ενεργειακής απόδοσης κτηρίων με χρήση τεχνικών διαρκούς μάθησης και επεξηγήσιμης τεχνητής νοημοσύνης	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Τεχνητή νοημοσύνη	el
heal.classification	Ενέργεια	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-15
heal.abstract	Με την αυξανόμενη ενεργειακή ζήτηση και τις επιπτώσεις της κλιματικής αλλαγής να εντείνονται διαρκώς, η ανάγκη εξοικονόμησης ενέργειας βρίσκεται στο επίκεντρο των προκλήσεων που αντιμετωπίζει η σύγχρονη κοινωνία. Ο κτηριακός τομέας, ιδίως τα κτήρια κατοικιών, ευθύνεται για σημαντικό ποσοστό της ενεργειακής κατανάλωσης, καθιστώντας την ενεργειακή αποδοτικότητα έναν από τους πρωταρχικούς στόχους των ευρωπαϊκών και διεθνών στρατηγικών. Συνεπώς η ενεργειακή αναβάθμιση κτηρίων αποτελεί σημαντικό βήμα προς την επίτευξη ενός πιο βιώσιμου μέλλοντος με πολλαπλά οφέλη σε ατομικό αλλά και συλλογικό επίπεδο. Στο πλαίσιο αυτό, η παρούσα διπλωματική εργασία εστιάζει στην βελτιστοποίηση της ενεργειακής απόδοσης κτηρίων κατοικίας και συγκεκριμένα στην πρόβλεψη των απαιτούμενων μέτρων ενεργειακής αναβάθμισης. Ανταπτύσσεται μοντέλο μηχανικής μάθησης, στο οποίο ο/η χρήστης/ρια εισάγει ορισμένα γνωστά σε εκείνον/η βασικά χαρακτηριστικά του σπιτιού του και λαμβάνει τις κατάλληλες επιλογές ανακαίνισης προκειμένου να επιτύχει υψηλότερη ενεργειακή κλάση. Η ενδελεχής ανάλυση του αρχικού συνόλου δεδομένων με προέλευση την Λετονία αναδεικνύει την ύπαρξη ανισορροπίας μεταξύ των κλάσεων, στο πλαίσιο αντιμετώπισης της οποίας υιοθετούνται τεχνικές παραγωγής συνθετικών δεδομένων. Επιπλέον, η ενσωμάτωση της επεξηγήσιμης τεχνητής νοημοσύνης ενισχύει την διαφάνεια και την αξιοπιστία του μοντέλου, ενώ παράλληλα συμβάλλει στην πληρέστερη κατανόηση της επίδρασης των χαρακτηριστικών στην ενεργειακή απόδοση. Με σκοπό τη γενίκευση της εφαρμογής, η μελέτη επεκτείνεται σε επιπρόσθετα πραγματικά δεδομένα προερχόμενα από διαφορετικές χώρες με την εφαρμογή στρατηγικών διαρκούς μάθησης. ΄Ετσι, το μοντέλο μπορεί να εκπαιδεύεται διαδοχικά σε διαφορετικά σύνολα δεδομένων, ενισχύοντας την απόκτηση γνώσης από νέα δείγματα και διατηρώντας συγχρόνως την ήδη υπάρχουσα. Προάγεται, λοιπόν, η δημιουργία ενός γενικευμένου μοντέλου με δυνατότητες προσαρμογής ανεξαρτήτως της γεωγραφικής περιοχής και των ιδιαίτερων χαρακτηριστικών των κτηρίων. Καταληκτικά, τα αποτελέσματα υπογραμμίζουν την ανάγκη για επαρκή και ποιοτικά δεδομένα. Η προτεινόμενη μελέτη μπορεί να συνεισφέρει στην επίτευξη των περιβαλλοντικών και οικονομικών στόχων, διευκολύνοντας τους ενδιαφερόμενους να λάβουν τεκμηριωμένες αποφάσεις ενεργειακής αναβάθμισης.	el
heal.abstract	With the growing energy demand and the intensifying effects of climate change, the need to save energy is at the forefront of the challenges that modern society is facing. The building sector, particularly residential buildings, accounts for a significant proportion of energy consumption, making energy efficiency of buildings one of the primary goals of European and international strategies. Consequently, energy upgrades of buildings are a critical step towards a more sustainable future, offering multiple benefits at both individual and collective level. This thesis focuses on the optimization of the energy efficiency of residential buildings and specifically on the prediction of the required energy retrofitting measures. A machine learning model is developed, where the user inputs certain known basic characteristics of their home and receives suitable renovation options to achieve a higher energy class. A thorough analysis of the initial dataset, sourced from Latvia, highlights the existence of class imbalances, for which data generation techniques are adopted. Furthermore, the integration of explainable artificial intelligence enhances the transparency and reliability of the model and also contributes to a deeper understanding of how different features impact on energy efficiency. Aiming to expact its worldwide impact, the study is extended to additional real-world data from various countries by applying lifelong learning strategies. In this way, the model can be sequentially trained on different datasets, gaining knowledge from new samples while retaining the previously acquired knowledge. This promotes the creation of a generalized model with adaptive capabilities, regardless of the geographical region and the specific characteristics of each building. Finally, the results underscore the need for adequate and high-quality data. The proposed study can contribute to achieving environmental and economic objectives by enabling stakeholders to make informed decisions regarding building energy retrofitting.	en
heal.advisorName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Μαρινάκης, Ευάγγελος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων. Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	102 σ.	el
heal.fullTextAvailability	false